从灰度到传感器——基于实验与工业数据联合机器学习方法对食品加工中清洗机制的分类

《Food and Bioproducts Processing》：From Grayscale to Sensors – A Combined Machine Learning Approach with Experimental and Industrial Data for Classification of Cleaning Mechanisms in Food Processing

　　

在超高温（UHT）乳制品生产的热交换器清洗就地（CIP）过程中，仍属资源密集型操作，通常缺乏关于底层清洗机制（CM）的显式信息。文献中的实验室实验利用灰度图像序列提取描述像素强度局部与时间变化的统计特征。基于该框架，本研究探讨利用基于图像特征重新训练的机器学习模型，直接从工业乳制品过程数据识别清洗机制的可行性。研究人员训练全连接神经网络对三种主导清洗机制——内聚分离（cohesive separation）、黏附脱离（adhesive detachment）与黏性迁移（viscous shifting）——进行分类，在独立实验测试数据上达到97.9%分类准确率。随后将相同特征定义迁移至管壳式换热器的工业清洗运行数据。应用于800余次以布丁为主的实际清洗运行，模型在两主要清洗阶段一致识别黏附脱离为优势机制。此外，采用对应布丁产品在近工业条件开展的实验室清洗实验，通过复现相似的相依赖去除动态支持了上述发现。该研究展示了机制解析机器学习在工业换热器清洗效率可解释、数据驱动监测中的潜力。

研究背景方面，乳制品加工业依赖频繁有效的清洗保障卫生与食品安全，自动化清洗就地（CIP）虽为标准方法，却占乳品厂总用水量达28%，每日停机4至6小时，且能耗与化学品消耗高。结垢发生于加工中温度波动表面，如换热器内乳清蛋白、酪蛋白胶束与钙磷酸盐沉积。CIP各阶段虽按经验与最差情景设计，但缺乏实时监测实际清洗进展，被视作“黑箱”，根源在于验证成本高与缺合适在线传感器。直接观察特定清洗机制（CM）在工业系统中因无在线检测传感器而不可行；CM分为扩散溶解、内聚分离、黏附脱离与黏性迁移四类，前两者常合并为内聚分离。识别CM可将可观测过程行为联至主导物理去除力，支撑参数优化，例如黏附脱离为主时可先令清洗液渗透削弱垢层再施高流速。既往德累斯顿工业大学（TUD）基于灰度图像与前馈神经网络（FFNN）在实验室以超95%准确率分类CM，但工业CIP无光学可视通道，仅靠温度、压力、体积流量等常规传感器间接监测，能否用工业传感器时序等价分类CM尚不明晰。本研究假设图像灰度序列提取的特征模式与工业传感器时序在功能上等价，故可用实验室图像训练模型迁移至工业仅传感器数据。

关键技术方法上，研究人员采用双阶段框架：第一阶段复用TUD通道流实验灰度图像（预糊化淀粉示内聚分离、番茄酱示黏附脱离、凡士林示黏性迁移），将灰度值GV(t)经除以初值与全局最大归一化，按1、2、5分段提取均值、标准差、偏度、峰度（ω=??[(X?μ)/σ]⁴?3）、极值、跨度、四分位距、中位数共9统计特征，经ANOVA精简为34特征/序列，以80%/10%/10%分训练/验证/测试集，用Optuna调参训练三层FFNN（model 33单隐层140神经元SELU、model 176双隐层220神经元ReLU、TUD_FS单隐层300神经元ReLU）及虚拟分类器基线。第二阶段将同一定义套用于某乳品公司近2.5年1519次生产运行中的800次合格CIP，聚焦第四换热器（HE4）周边12传感器（6温度、2压力、3流量、1电导）在预冲洗与碱洗两阶段，同法得34特征/传感器，经最大/均值/中位凝聚回缩为34维，并增deltap_he4、deltat_he43、deltat_log_he4三个软传感器，形成36数据集；另用Joppa与K?hler实验室装置以市售同款布丁等5类产品近工业条件（80℃烘垢、55℃液温、1 m s^?1流速、2 wt% NaOH）做49次灰度视觉验证。

研究结果部分，3.1节在TUD测试集上model 176准确97.91%、MCC 96.88%，model 33为93.78%/90.84%，TUD_FS为96.61%/94.93%，均远超虚拟基线约33%，证模型在实验室标签数据强泛化。3.2节将三模型用于工业800运行36数据集，预测类分布显著偏离均匀随机，两清洗阶段均以黏附脱离为主、黏性迁移次之、内聚分离最少，且不同凝聚方式与软传感器结论一致，表明传感器时序含CM相关信息而非噪声驱动。3.3节近工业实验室用布丁类产品复现相依赖去除动态，视觉判定主导机制亦为黏附脱离，与工业迁移预测互证。

讨论与结论翻译：研究表明，从实验室灰度图像学习到的CM分类特征可迁移至工业传感器时序，无需在线光学即间接解析换热器内主导物理去除机制；在UHT乳制品以布丁为主的CIP中，预冲洗与碱洗阶段黏附脱离为优势CM，暗示当前连续高泵送可改为先渗透浸泡后高流优化。机制解析机器学习架起了实验清洗研究至工业CIP实践的桥梁，为透明、机制基的清洗效率监测与资源节约提供基础。论文发表于《Food and Bioproducts Processing》。